如何使用PDFBox在Java中访问特定书签并提取其内容？

核心思路 #

先遍历PDF的书签树定位目标PDOutlineItem，再解析书签的跳转目标找到对应页面，最后提取页面的文本内容。

步骤1：遍历书签树找到目标书签 #

PDF书签是树形结构，需要递归遍历所有节点匹配目标名称：

private static PDOutlineItem findTargetBookmark(PDOutlineNode rootNode, String targetBookmarkName) {
    List<PDOutlineItem> children = rootNode.getChildren();
    if (children == null) {
        return null;
    }
    for (PDOutlineItem item : children) {
        // 精确匹配书签名称，可根据需求改成模糊匹配
        if (targetBookmarkName.equals(item.getTitle())) {
            return item;
        }
        // 递归查找子书签
        PDOutlineItem found = findTargetBookmark(item, targetBookmarkName);
        if (found != null) {
            return found;
        }
    }
    return null;
}

步骤2：解析书签目标获取对应页面 #

书签的跳转目标分两种常见情况：直接关联页面，或通过跳转动作绑定页面，需分别处理：

private static PDPage getTargetPage(PDOutlineItem targetItem, PDDocument document) throws IOException {
    // 处理直接关联页面的书签
    PDPageDestination destination = targetItem.getDestination();
    if (destination != null) {
        return destination.getPage();
    }
    // 处理绑定跳转动作的书签（比如PDActionGoTo）
    PDAction action = targetItem.getAction();
    if (action instanceof PDActionGoTo) {
        PDPageDestination gotoDest = ((PDActionGoTo) action).getDestination();
        if (gotoDest != null) {
            return gotoDest.getPage();
        }
    }
    return null;
}

步骤3：提取目标页面的文本内容 #

用PDFTextStripper提取指定页面的文本：

private static String extractPageText(PDPage targetPage, PDDocument document) throws IOException {
    PDFTextStripper textStripper = new PDFTextStripper();
    // 页码从1开始，计算目标页面的序号
    int pageNumber = document.getPages().indexOf(targetPage) + 1;
    textStripper.setStartPage(pageNumber);
    textStripper.setEndPage(pageNumber);
    return textStripper.getText(document);
}

完整调用示例 #

public static void main(String[] args) {
    String pdfPath = "你的PDF文件路径.pdf";
    String targetBookmark = "要查找的书签名称";
    
    try (PDDocument document = PDDocument.load(new File(pdfPath))) {
        PDOutlineNode rootBookmark = document.getDocumentCatalog().getDocumentOutline();
        if (rootBookmark == null) {
            System.out.println("该PDF没有书签");
            return;
        }
        // 查找目标书签
        PDOutlineItem targetItem = findTargetBookmark(rootBookmark, targetBookmark);
        if (targetItem == null) {
            System.out.println("未找到目标书签");
            return;
        }
        // 获取书签对应的页面
        PDPage targetPage = getTargetPage(targetItem, document);
        if (targetPage == null) {
            System.out.println("书签未关联有效页面");
            return;
        }
        // 提取并打印内容
        String content = extractPageText(targetPage, document);
        System.out.println("书签对应内容：\n" + content);
    } catch (IOException e) {
        e.printStackTrace();
    }
}

注意事项 #

• 若需要模糊匹配书签名称，可将equals改为contains或自定义匹配逻辑。
• 如果书签指向PDF内的特定区域（而非整页），需解析PDXYZDestination的坐标，结合PDFTextStripperByArea提取区域文本。
• 确保引入正确的PDFBox依赖，比如Maven依赖：

<dependency>
    <groupId>org.apache.pdfbox</groupId>
    <artifactId>pdfbox</artifactId>
    <version>2.0.32</version> <!-- 使用最新稳定版 -->
</dependency>

内容的提问来源于stack exchange，提问作者Giovanni De Maio Langella